Kontinuierliche Verbesserung, Künstliche Intelligenz und DDMRP

By Bernard Milian
AI and DDMRP

Jahrzehntelange Lean- und kontinuierliche Verbesserungsinitiativen haben die Arbeitsweise vieler Unternehmen grundlegend verändert.

Wir sind von einer traditionellen Organisation mit einer hierarchischen Struktur von Führungskräften, die Entscheidungen treffen, und Umsetzern, die gehorchen, übergegangen zu einem Netzwerk von Männern und Frauen, die jeweils ihr Wissen einbringen, um die Leistung jeden Tag ein wenig mehr zu verbessern.

Ende der 1990er Jahre hatte nahm ich an einer Präsentation eines japanischen Führers Wirtschaftsführers teilgenommen, der die damals vorherrschenden Ansätze in den westlichen Ländern und mit denen verglich, die in Japan verwendet wurden, verglich. Er wies darauf hin, dass wir im Westen hauptsächlich durch aufeinanderfolgende Pausen Brüche vorankäamen: große Investitionen, neue Technologien, die uns jedes Mal auf ein neues Niveau brachtenhöben, aber dass wir, als wir auf diesem dem Niveau wir dann aberwaren, tendenziell stagnierten, während wir uns auf die nächste bahnbrechende Innovation vorbereiteten. Wir würden in neue Geräte Ausrüstung investieren, aber wir würden sie verschlechtern verkommenlassen, schmutzig werden und rosten Dreck und Rost ansetzen lassen. Umgekehrt sagte er mit einem Hauch von Arroganz, wir sie, die Japaner, würden wenn wir auf einem ein neu erreichten Niveau erreichen, das wir nie aufhören zu verbessern, was sicherstellet, dass wir sie uns stets voraus seienvor Ihnen bleiben, und dass der Schritt, um auf die nächste Ebene zu springen, niedriger kleiner sein wirdsei.

In den westlichen Ländern erkennen wir nun mittlerweile die Macht dieses Ansatzes an Wund haben ihn weithin übernommen. Wir Gemeinsam sind gemeinsam wir klüger. Wir erkennen auch die Kraft der Ausbildung und der Unterstützung der durch Führungskräfte an, um allen unseren Teams beim Fortschritt zu helfen, einerseits durch das Wissen über Methoden und Werkzeuge – Problemlösung, Statistiken, 5S, DDMRP usw. – und andererseits durch das Teilen klarer Visionen über gemeinsame Werte und die Richtung, in die sich das Unternehmen bewegt.

Darüber Ich habe ich vor kurzem darüber nachgedacht, als ich den Einwand eines Unternehmens gegen DDMRP hörtevernahm: Die Dimensionierung der Puffer, insbesondere der roten Zone, erscheint zu einfach, ja vereinfachend. Dieses Unternehmen zieht es vor, ausgefeiltere Techniken zu erforschenin den Blick zu nehmen: probabilistische Ansätze, künstliche Intelligenz. Es scheint ihnen beruhigender, wissenschaftlicher.

Darüber hinaus verwaltet steuert dieses Unternehmen Zehntausende von ReferenzenArtikelnummern, so dass eine Automatisierung erforderlich ist, um diese Komplexität produktiv zu bewältigen. Das ist legitim.

Diejenigen, die mich kennen, wissen, dass ich ein bisschen ein Geek bin. Ich interessiere mich seit den 90er Jahren für neuronale Netzwerke, ich habe versucht, die Grundlagen der Datenwissenschaft zu lernen, und ich genieße es, diese Ansätze durch Tools wie Power BI zu popularisieren, um Datensätze sprechen zu lassen. Jeder Prozess der kontinuierlichen Verbesserung beginnt mit Beobachtung und Messung, und wir sind besser und besser dafür gerüstet.

Ich bin überzeugt, dass künstliche Intelligenz dazu beitragen kann, ein Supply- Chain- Management-Modell zu verbessern. Unsere Arbeit bei Demand Driven Technologies bestätigt dies, aber wir glauben nicht, dass es das Alpha und Omega der Lieferkette sein wird! Während die künstliche Intelligenz die die Leistung der Lieferkette beweisen voranbringen wird, wird werden menschliche Intelligenz und menschliches Handeln es weiterhin eine entscheidende Rolle für die menschliche Intelligenz und Das Einbeziehung von Menschen gebenspielen.

We haveZum Beispiel hat die Branche Wirtschaft bereits die Black-Box-Phänomene erlebt, mit denen Planer oft konfrontiert sind und die sie dazu bringen, in Excel eine verständliche Logik außerhalb des Systems zu erarbeiten. Künstliche Intelligenz birgt dieses Risiko. Wir sind haben uns nicht so weit gekommenentwickelt,um den „“allwissenden Boss , der wei„ß“ durch „“allwissende künstliche Intelligenz, die weiß““ zu ersetzen.

Wir dürfen nicht vVergessen wir nicht, dass die Daten, die wir manipulierenbearbeiten, nicht nur wissenschaftlich sind. Zum Beispiel kann die Lieferleistung eines Lieferanten von immateriellen Elementen abhängen: die Qualität der SichtbarkeitTransparenz, die wir ihm gebenbieten, die Aufmerksamkeit, die wir ihm schenken, die Qualität der Beziehung zwischen Gesprächspartnern beider Parteien. Wenn Sie einen Machine Learning-Algorithmus maschinellen Lernens auf die Lieferhistorie Ihres Lieferanten anwenden, um die Variabilität zu bewerten, oder auf die Kundennachfrage, wird er die ganze Geschichte erzählen, und wird es Ihnen die wirklichen Hebel für Verbesserungen geben?

Ich habe keinen Zweifel daran, dass Künstliche Intelligenz bei der Entscheidungsfindung helfen kann, vor allem indem sie Planern hilft, Ausnahmen zu identifizieren, die analysiert werden müssen, und indem sie Hinweise zu Einstellungen gibt, die angepasst werden müssen.

Der eigentliche Treiber des Fortschritts ist jedoch die SichtbarkeitTransparenz, die in teamgesteuerte Verbesserungsschleifen (PDCA) einfließt. Haben Sie keine Angst, wenn die anfängliche Einstellung Ihrer Puffer „“etwa richtig““ ist. Das ist genau die Logik, die durch die Kanban-Methode erhebliche Fortschritte gebracht hat: Sie beginnen pragmatisch, und dann verbessern Sie sich.

Wir verwenden einen „“Smart Buffer Profiler““ in unseren Lösungen. Dieser Assistent analysiert die Historien und schlägt Pufferprofile für alle gelagerten stockedElemente Artikel vor. Die Erfahrung zeigt, dass dieser Prozess sehr effizient ist, selbst bei Datensätzen, die Zehntausende von Elementen enthalten, und stellt eine relevante Dimensionierung herstellt. Nicht genauexakt, aber relevant!

Aber das ist erst der Anfang! Die Software ist nicht so „“intelligent““, sie kennt weder genau Ihre Lieferanten, Ihre Produktionsmittel, das Leben Ihrer Artikel, noch die Verhaltensverzerrungen der Spieler Teilnehmer in Ihrer Lieferkette nicht wirklich, sie weiß nicht, wie Sie die Einschränkungen Beschränkungen der Chargengröße Losgröße oder Der der Lieferzeit in Frage stellen können kann usw. Sie müssen sich auf Ihre Teams verlassen, die über dieses Wissen habenverfügen.

Viel mehr als Algorithmen zur Bestandsdimensionierung oder Inventargrößen- oder für Prognosenalgorithmen, was Sie brauchenbenötigenSie, sind Transparenz, einfache Lektüre Erfassung und Analyse,Zusammenarbeit und eine gemeinsame Vision dessen, was wichtig ist für damit Ihre Teams wichtig ist, um kontinuierliche Verbesserungen voranzutreiben können, Ihr bester Verbündeter für eine immer effizientere und anpassungsfähigere Lieferkette.

Get in Touch

Share This Story, Choose Your Platform!

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn

Recent Posts

You may also enjoy

material flow - musicians

Der Fluss braucht Rhythmus

Der Fluss braucht Rhythmus Wenn Sie Musiker sind, oder einfach nur Musikliebhaber, haben Sie wahrscheinlich den Rhythmus im Blut! Von Klassik bis Pop, Rock, Elektro

Stay informed with our latest updates